跳到正文
arXiv· Yunhui Jang; Zach Wang; Jai Doshi; Kangway Chuang; Sidney Lisanza; Taylor Joren·· 17 天前AI 评分39

MEMIG:面向抗体优化的自演化记忆构建框架

MEMIG: Self-evolving Memory Construction for Antibody Optimization

AI 导读

MEMIG 是一种面向抗体优化的自演化记忆构建框架,把 LLM 智能体记忆做成可索引、可量化且结构化的形式。它为每条经验分配领域标识并累积属性 oracle 测得的定量效应,使更新局部化、检索变为精确查找,还连接共同施加的干预、分解评估集合以度量上位效应。在 in silico 抗体优化任务中,MEMIG 在多数设置下提升性能。

预印本 · arxiv · 2610.41245

本站摘要基于收录版本 v1(2026-11-02),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v1

摘要 · AI 翻译

记忆已成为自我演化 LLM 智能体的核心,它们从过去的 rollout 中存储和检索经验以指导未来的决策。现有系统将这种经验表示为自由形式的自然语言,并通过重写来维护它,这适用于经验可叙述的任务。然而,在科学发现和优化中,经验通常是在特定上下文下由 oracle 测量得到的量。将其重写为文本会留下记录应存放位置的索引缺失,用描述取代测量,并且无法表达干预之间的相互作用。为此,我们认为用于生物分子优化的智能体记忆应当是可索引的、定量的和结构化的,并引入了 MEMIG。这一记忆构建框架实现了这三个特性。具体而言,MEMIG 通过领域相关的标识符处理每条洞见,并累积由属性 oracle 测量的定量效应,从而使更新保持局部化、检索成为精确查找。接下来,MEMIG 连接那些干预被同时施加的洞见,并通过分解每个评估集合来测量它们的上位性。我们的结果表明,MEMIG 在计算机模拟抗体优化任务的大多数设置中提升了性能。

来源:arXiv · arxiv.org